Radar de pesquisaReconhecimento facialarXivAbril de 2026

Radar mensal do arXiv

Reconhecimento facial em abril de 2026: matching criptografado, câmeras de eventos e inferência móvel

A pesquisa de abril de 2026 em reconhecimento facial ficou mais orientada a restrições de implantação do que a números de benchmark. Os trabalhos mais fortes protegem templates biométricos durante a busca, ampliam sensores além de RGB e levam qualidade de reconhecimento para hardware móvel sem estourar a latência.

O que este mês sinaliza

O stack de reconhecimento facial está ficando mais operacional. A diferenciação passa por implantação segura, robustez fora de RGB e ganhos reais de latência e eficiência.

Artigo 012026-04-01cs.CV

Reconhecimento facial criptografado leve e prático com suporte a GPU

arXiv PDF

Autores e instituições

Gabrielle De Micheli

Advanced Security Team, LG Electronics, USA

Syed Mahbub Hafiz

Advanced Security Team, LG Electronics, USA

Geovandro Pereira

Advanced Security Team, LG Electronics, USA

Eduardo L. Cominetti

Advanced Security Team, LG Electronics, USA

Thales B. Paiva

Advanced Security Team, LG Electronics, USA

Universidade de São Paulo, São Paulo, Brazil

Jina Choi

Next-Generation Computing Research Lab, CTO Division, LG Electronics, South Korea

Marcos A. Simplicio Jr

Universidade de São Paulo, São Paulo, Brazil

Bahattin Yildiz

Advanced Security Team, LG Electronics, USA

Que problema resolve

O problema central é tratar gargalos de encrypted face recognition, privacy-preserving biometrics, homomorphic encryption em reconhecimento facial de modo que a solução seja avaliável por compras, compliance e engenharia, não apenas por benchmark acadêmico.

Resultado-chave

Os resultados destacam ganhos em precisão, eficiência, robustez ou generalização. Para compradores técnicos, importa se esses ganhos reduzem risco de implantação e ampliam cenários de uso.

Resumo

O artigo estuda busca de similaridade criptografada para reconhecimento facial em arquiteturas cliente-servidor, nas quais embeddings são dados biométricos sensíveis. Ele propõe um algoritmo diagonal Baby-Step/Giant-Step e kernels CKKS otimizados para GPU que reduzem memória e aceleram matching homomórfico, tornando fluxos privados de identificação mais práticos.

Ponto de partida da pesquisa

A motivação é que reconhecimento facial está saindo dos benchmarks de laboratório para sistemas reais, onde encrypted face recognition, privacy-preserving biometrics, homomorphic encryption afeta privacidade, custo, estabilidade ou experiência do usuário.

Método

A abordagem de “Lightweight, Practical Encrypted Face Recognition with GPU Support” combina arquitetura, estratégia de treinamento ou otimização de sistema voltada a encrypted face recognition, privacy-preserving biometrics, homomorphic encryption. Isso aproxima a pesquisa de uma capacidade realmente implantável.

Síntese do artigo

Em resumo, este trabalho mostra que em abril de 2026 encrypted face recognition, privacy-preserving biometrics, homomorphic encryption está virando variável-chave para productizar e avaliar reconhecimento facial.

Artigo 022026-04-08cs.CV

EventFace: reconhecimento facial baseado em eventos com modelagem espaço-temporal orientada por estrutura

arXiv PDF

Autores e instituições

Qingguo Meng

State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology, Anhui University, Hefei, China

Anhui Provincial Key Laboratory of Secure Artificial Intelligence, Anhui University, Hefei, China

Anhui Provincial International Joint Research Center for Advanced Technology in Medical Imaging, Anhui University, Hefei, China

School of Artificial Intelligence, Anhui University, Hefei, China

Xingbo Dong

State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology, Anhui University, Hefei, China

Anhui Provincial Key Laboratory of Secure Artificial Intelligence, Anhui University, Hefei, China

Anhui Provincial International Joint Research Center for Advanced Technology in Medical Imaging, Anhui University, Hefei, China

School of Artificial Intelligence, Anhui University, Hefei, China

Zhe Jin

State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology, Anhui University, Hefei, China

Anhui Provincial Key Laboratory of Secure Artificial Intelligence, Anhui University, Hefei, China

Anhui Provincial International Joint Research Center for Advanced Technology in Medical Imaging, Anhui University, Hefei, China

School of Artificial Intelligence, Anhui University, Hefei, China

Massimo Tistarelli

Computer Vision Laboratory, University of Sassari, Sassari, Italy

Que problema resolve

O problema central é tratar gargalos de event-based face recognition, low-light biometrics, spatiotemporal modeling em reconhecimento facial de modo que a solução seja avaliável por compras, compliance e engenharia, não apenas por benchmark acadêmico.

Resultado-chave

Os resultados destacam ganhos em precisão, eficiência, robustez ou generalização. Para compradores técnicos, importa se esses ganhos reduzem risco de implantação e ampliam cenários de uso.

Resumo

EventFace explora reconhecimento de identidade a partir de fluxos de câmeras de eventos, sinais esparsos e centrados em movimento que se comportam de forma muito diferente de imagens RGB. O artigo apresenta o dataset EFace e um modelo espaço-temporal guiado por estrutura que transfere conhecimento de modelos faciais RGB enquanto modela prompts de movimento e modulação temporal.

Ponto de partida da pesquisa

A motivação é que reconhecimento facial está saindo dos benchmarks de laboratório para sistemas reais, onde event-based face recognition, low-light biometrics, spatiotemporal modeling afeta privacidade, custo, estabilidade ou experiência do usuário.

Método

A abordagem de “EventFace: Event-Based Face Recognition via Structure-Driven Spatiotemporal Modeling” combina arquitetura, estratégia de treinamento ou otimização de sistema voltada a event-based face recognition, low-light biometrics, spatiotemporal modeling. Isso aproxima a pesquisa de uma capacidade realmente implantável.

Síntese do artigo

Em resumo, este trabalho mostra que em abril de 2026 event-based face recognition, low-light biometrics, spatiotemporal modeling está virando variável-chave para productizar e avaliar reconhecimento facial.

Artigo 032026-04-11cs.CV

FaceLiVTv2: uma arquitetura híbrida aprimorada para reconhecimento facial móvel eficiente

arXiv PDF

Autores e instituições

Novendra Setyawan

Department of Electro-Optics Engineering, National Formosa University, Taiwan

Department of Electrical Engineering, University of Muhammadiyah Malang, Indonesia

Chi-Chia Sun

Department of Electrical Engineering, National Taipei University, Taiwan

Mao-Hsiu Hsu

Department of Electro-Optics, National Formosa University, Taiwan

Wen-Kai Kuo

Department of Electro-Optics, National Formosa University, Taiwan

Jun-Wei Hsieh

College of Artificial Intelligence and Green Energy, National Yang Ming Chiao Tung University, Taiwan

Que problema resolve

O problema central é tratar gargalos de mobile face recognition, lightweight transformer, edge biometrics em reconhecimento facial de modo que a solução seja avaliável por compras, compliance e engenharia, não apenas por benchmark acadêmico.

Resultado-chave

Os resultados destacam ganhos em precisão, eficiência, robustez ou generalização. Para compradores técnicos, importa se esses ganhos reduzem risco de implantação e ampliam cenários de uso.

Resumo

FaceLiVTv2 mira reconhecimento facial móvel com um desenho global-local mais leve. Ele substitui blocos de atenção pesados por Lite MHLA e integra o módulo em um bloco RepMix unificado, melhorando o equilíbrio entre latência e precisão em benchmarks faciais e testes em hardware móvel.

Ponto de partida da pesquisa

A motivação é que reconhecimento facial está saindo dos benchmarks de laboratório para sistemas reais, onde mobile face recognition, lightweight transformer, edge biometrics afeta privacidade, custo, estabilidade ou experiência do usuário.

Método

A abordagem de “FaceLiVTv2: An Improved Hybrid Architecture for Efficient Mobile Face Recognition” combina arquitetura, estratégia de treinamento ou otimização de sistema voltada a mobile face recognition, lightweight transformer, edge biometrics. Isso aproxima a pesquisa de uma capacidade realmente implantável.

Síntese do artigo

Em resumo, este trabalho mostra que em abril de 2026 mobile face recognition, lightweight transformer, edge biometrics está virando variável-chave para productizar e avaliar reconhecimento facial.